针对人工检测车窗按钮表面9缺陷效率低、易漏检、误检等问题,本文提出利用深度学习方法检测车窗按钮表面缺陷,开发了车窗按钮表面缺陷检测系统。该系统主要由硬件和软件两部分组成。首先,结合车窗按钮特点从感光元件、镜头、光源三个方面选择现有带CCD相机的图像采集平台。根据测量出的图像最小缺陷宽度推算得出所选CCD相机分辨率为1628*1236、镜头焦距为35mm的图像采集平台硬件在150mm物距拍摄条件下满足车窗按钮图像采集要求。用该平台采集了1800张车窗按钮图像。其次,用残差块和Dropout机制改进Darknet19网络将网络对车窗按钮图像的四种噪声综合分类准确率由改进前的85.4%提升至改进后的90.4%。并提出了泛化性优异的Do-Net网络用于车窗按钮图像降噪,降噪后的图像在线性变换增强缺陷后,再用Labelme标记软件标记车窗按钮表面缺陷,并用标记的车窗按钮图像数据集训练、验证YOLOv5网络。训练的YOLOv5网络在交并比阈值为0.5时对车窗按钮表面缺陷检测准确率可达72%。此外,搭建、设计了车窗按钮表面缺陷检测硬件和软件系统。在软件系统部分将图像采集平台的OpenCV驱动程序、图像噪声分类算法、图像降噪算法、线性变换图像增强算法和YOLOv5表面缺陷检测算法集于一体,开发了车窗按钮表面缺陷检测操作界面。最后,对开发的车窗按钮表面缺陷检测系统进行车窗按钮图像噪声分类、图像降噪、图像增强、图像检测、摄像头实时检测等验证操作。实际操作结果表明,该车窗按钮表面缺陷检测软、硬件系统在实验环境条件下能实现车窗按钮表面缺陷的智能检测,该车窗按钮表面缺陷检测系统达到预期目标。